使用ガイド
wan2.6-flash イメージtoビデオ用プロンプトレシピ:そのままコピー&ペーストできる有効なプロンプト
最初のフレームの記述、カメラとテンポの表現、ネイティブ音声のヒント、1080P 高速ティアのトレードオフ、そしてネガティブプロンプトのリスト
このページの内容
なぜイメージtoビデオのプロンプトには散文ではなくレシピが必要なのか
多くの人が初めてイメージtoビデオのプロンプトを書くとき、ひとつの段落として書きます。画面に写っているすべてと、起きてほしいことすべてを詰め込んで記述するのです。テキストtoビデオモデルではこれで理にかなっています。モデルには他に手がかりがないからです。しかしイメージtoビデオでは逆効果になります。
入力画像はすでに構図を固定しています。被写体がどこにあり、光がどんな状態で、背景にどの物体があり、色彩設計がどうで、レンズ特性がどうかを。これらすべてを散文で再度説明すると、プロンプトの予算の大半をモデルがすでに見えているものに費やし、見えていないものに割ける余地がほとんど残りません。被写体がどう動くか、カメラが時間とともにどう振る舞うか、この瞬間は速く感じるべきか遅く感じるべきか、そしてシーンがどんな音で聞こえるべきか。
静止画を開始状態、プロンプトをその上に重ねる指示のセットと考えてください。各指示は異なる問いに答えます。
- 何がそのまま変わらずにいなければならないか?
- 何が動き、どちらの方向に動くか?
- カメラは被写体に対してどう動くか?
- ビデオ全体のテンポはどうか?
- 私たちは何を聞くか?
- 何が絶対に現れてはならないか?
この6つの問いは、少数のプロンプトスロットに自然に対応します。レシピとは、これらのスロットに決まった順序で記入するための取り決めにすぎず、生成するすべてのショットが同じ方法で記述されるようにします。この一貫性こそが出力同士を比較可能にし、比較こそが当てずっぽうではなくプロンプトを改善できる鍵なのです。
散文はモデルがすべてを同等の重みで混ぜ合わせてしまいます。レシピなら、特定のスロットを指し、一行を変更し、何が差異を生んだのかを知ることができます。本ガイドの残りは、これらのスロット向けのコピー&ペースト可能なレシピと、高速 1080P ティアで遭遇する実際のトレードオフです。

5スロットのプロンプト骨格
本記事のすべてのレシピは、同じ骨格への記入です。毎回この順序で書きます。
[1] FIRST FRAME:ショットに何があり、何が変わらずにいなければならないか
[2] CAMERA:ひとつの動き、方向、速度
[3] PACING:テンポ、およびビデオ全体で動きがどう変化するか
[4] AUDIO:環境の下地音 + 視覚的なビートに結びついたイベント音
[5] CONSTRAINTS:抑制すべき内容の短いリスト
なぜ順序が重要か
最初のフレームのアンカーを最初に置きます。モデルの最初の判断はアイデンティティとレイアウトの維持に関するものだからです。カメラを2番目に置きます。ほとんどのショットで動きの最大の単一源であり、カメラの動きが間違っていれば他の何もそのビデオを救えないからです。テンポを3番目に置きます。テンポの指示が、たった今記述した動きを形づくり、対抗しないようにするためです。音声を4番目に置きます。すでに定義した視覚的なビートに従うべきだからです。制約は最後に、簡潔な締めくくりとして置きます。
記入済みの例
FIRST FRAME:男性の顔、ジャケット、濡れた路面の反射を変えずに保つ。
CAMERA:ゆっくりとプッシュイン、被写体へまっすぐ、回転なし。
PACING:安定して落ち着いており、動きはビデオの終わりに完了する。
AUDIO:静かな雨の環境音、軽く連続した足音。
CONSTRAINTS:ちらつきなし、顔の変形なし、カメラの揺れなし。
骨格は短く保つ
各スロットは1〜3文の短い文にすべきです。スロットがこの長さを超えるなら、余分なテキストはほぼ常に、動きを導かない美的形容詞です。それらを削除し、本当に重要なものをネガティブ項目として制約スロットに入れます。
骨格を記入する2つのルール
- ショットごとにカメラワークはひとつだけ。1本のビデオに2つの動きを使うことは、揺れや判別しにくい動きの最も一般的な原因です。
- 形容詞ではなく具体的な動詞を使う。「旗が上がり、巻き上がる」は「ドラマチックで映画的な雰囲気」に勝ります。
ポートレート、商品の静止画、風景のどれをアニメーション化する場合でも、骨格は同じです。変わるのは各スロットの中身だけであり、それが以下のレシピの対象です。

動きのアンカーとなるよう最初のフレームを記述する
最初のフレームのスロットは画像の説明ではありません。その役割は、モデルがどのピクセルが構造の要かを知り、作り直さないようにすることです。
アンカーを名指しし、シーンを描写しない
画像全体を描写するのではなく、ビデオ全体で維持されなければならない要素を列挙します。
FIRST FRAME:女性の顔と髪型、彼女のグレーのコート、背後の
窓枠、画面左側の暖色のランプを保つ。
モデルにこの画像が何かを伝えているのではありません。アイデンティティを定義する要素、すなわち顔、服装、ロゴ、文字、特徴的な小道具、主光源の方向を伝えているのです。
固定と動きを分ける
このスロットで最も有用な一文は、世界を二つに分けるものです。
FIRST FRAME:製品のボトルと机は固定のまま。背景のカーテンと
ボトル表面の光だけが変化する。
このひとつのパターンが、不要なグローバルな動きのほとんどを抑制します。モデルは動きがどこで起こり得るかを知ったからです。
開始姿勢をアンカーする
人物や動物については、最初のフレームの姿勢を明示し、動きに起点を与えます。
FIRST FRAME:被写体は座った姿勢で机に両手を置き、頭をわずかに
左へ向けている。ビデオの冒頭でこの開始姿勢を保つ。
光をアンカーする
光の方向は最もドリフトしやすいものです。短い一文で安定させられます。
FIRST FRAME:主光は右上からのまま維持し、影は変えない。
省略すべきもの
- 画像がすでに示している色調、フィルムの風合い、レンズの詳細を繰り返さない。
- 画面外にあり、出したくない物体を描写しない。
- 被写体の外観を華麗な言葉で言い直さない。短いアンカーのリストは段落全体より強力です。
最初のフレームのスロットを柵と考えてください。中で名指ししたすべては保護されます。それ以外は自由に動けますが、動き方は次のスロットで決まります。

カメラを実際に動かすカメラと言テンポの表現
カメラの言葉遣いは、どのスロットよりもこのクリップを大きく変え、曖昧なスタイル形容詞が最大の損害を生む場所です。「シネマティックなカメラワーク」はモデルに何も伝えません。「ゆっくりプッシュイン、回転なし」はすべてを伝えます。
小さなカメラワーク語彙を使う
短く具体的なリストを保ち、ショットごとにそのうちひとつだけ選びます。
- push in(プッシュイン)——カメラが被写体へ近づく
- pull out(プルアウト)——カメラが被写体から遠ざかる
- pan left / pan right(左パン / 右パン)——その場で水平回転する
- tilt up / tilt down(上チルト / 下チルト)——その場で垂直回転する
- track left / track right(左トラック / 右トラック)——被写体の側面に沿って横移動する
- orbit(オービット)——被写体の周りを回る
- static(静止)——カメラの動きはまったくなく、動きはシーン自体からのみ
常に速度を加えます。slow、steady、fast のいずれか。そして常に気にする逆のケースを加えます。「no rotation」「no handheld shake」「no zoom」。
CAMERA:ゆっくりプッシュイン、正面からまっすぐ、回転なし、揺れなし。
カメラワークはひとつ、被写体の動作もひとつ
クリーンなショットは通常、カメラの意図がひとつ、シーン内の動作がひとつ、ちょうどそれだけを持ちます。
CAMERA:ゆっくり右へトラックし、被写体を画面中央に保つ。
PACING:被写体はクリップ全体を通じてカメラを追って頭を向け、
最後の3分の1で最終姿勢に達する。
テンポは副詞ではなくタイムラインとして書く
「ゆっくりと」は基準点がないので弱い表現です。動きをクリップの長さにアンカーします。
- 「動きはクリップの冒頭で始まり、終わりに完了する」
- 「冒頭のビートで最初の姿勢を保ち、それから動く」
- 「動作は最後の3分の1以内に完了する」
この表現は、モデルが最初の1秒で動きを慌てて終わらせてから凍りつくのを防ぎます。短いクリップで非常によくある失敗です。
意図ごとのテンポレシピ
# 穏やかな商品ショット
PACING:非常にゆっくり、連続的、加速なし。
# リビール
PACING:まず保持し、それから一度の滑らかな動きで、終わり近くに完了する。
# アクションビート
PACING:最初のフレームから即座に動き、等速、停止なし。
避けるべきこと
- 1本のビデオに2つのカメラワーク。
- 方向も速度もない形容詞の積み重ね(「壮大でスイープなドラマチックショット」)。
- 時間的基準なしに、テンポを感情としてだけ描写すること(「緊張感」)。
迷ったら、よりシンプルな動きを選んでください。明確な被写体動作を伴う静止ショットは、野心的でも揺れてしまう多動ショットより実用的です。
プロンプトにネイティブ音声のヒントを加える
モデルがネイティブ音声をサポートする場合、音声スロットは飾りではありません。すでに書いた視覚的なビートに揃えるべき、第2のタイムラインです。
環境音とイベント音を分ける
すべての音声記述には2つの層があります。
AUDIO:
環境音:路面に続く雨音、遠くの交通の低い響き
イベント音:軽い足音、被写体の最初の一歩から始まり、
クリップの終わりまで続く
環境の下地音は連続的で、イベント音は時間的な位置を持ちます。別々に書くことで、タイミング付きのヒントが大量の雰囲気音に埋もれるのを防げます。
音を視覚的なビートに結びつける
テンポのスロットを参照し、音声と動きが同じ時計を共有するようにします。
PACING:被写体はクリップの前半でカップを持ち上げる。
AUDIO:カフェのささやきの環境音。陶器の軽い音が、カップの底が
ソーサーに当たる後半に鳴る。
短いクリップでは、タイミング付きのイベントは1つか2つで十分です。それ以上だと音声が騒がしくなり、確実に記述するのが難しくなります。
語彙を物理的に保つ
音を物体のように描写します。発生源、素材、距離。
- 良い:「乾いた足音が砂利を踏む、カメラの近く」
- 弱い:「ドラマチックなサウンドデザイン」
- 良い:「低い風の音、非常に遠く、人の声なし」
- 弱い:「シネマティックな雰囲気」
音声スロットに入れないもの
- セリフと歌詞。音声は独立しており、より難しい問題です。音声スロットでセリフを記述するのは信頼できません。無音のショットが必要なら、明確に述べます。「環境音のみ、人の声なし」。
- 行動の記述を伴わない音楽ジャンルのラベル。「Lo-fi ビート」は「安定した低周波のパルス、人の声なし」ほど有用ではありません。
- 目に見える発生源のない音。音を要求しても、その原因が画面中にも動作中にもなければ、モデルはいつ配置するかを決める手がかりを持てません。
安全なデフォルト
ショットに音声の詳細が必要ないなら、1行の環境音でもないよりましです。
AUDIO:静かな室内の下地音のみ、人の声なし、音楽なし。
この1行はランダムな音声や音楽のヒントを防ぎ、視覚スロットを先に反復している間、クリップを使いやすい状態に保ちます。
1080P 高速ティア:速度がそのトレードオフに値するのはいつか
高速 1080P ティアは素早く反復できるように存在します。プロジェクト単位の設定ではなく、ショットごとのノブと考えてください。
トレードオフをわかりやすく言うと
より高い出力解像度は、よりクリーンなディテール、より安定した微細なテクスチャ、より良い小さな特徴の保持をもたらします。遠くの顔、文字、細長い構造などです。より速いティアは、一部の忠実度と安定性を短いターンアラウンド時間と交換します。正しい選択は、その時点でこのショットが何のためのものかにかかっています。
次の場合は高速ティアを使う
- まだ方向性を探している。構図、カメラワーク、テンポの決定は、細部が見えなくても判断できます。プロンプトの反復はすべてここで行ってください。
- 被写体が大きく単純。近景のポートレートや無地背景の商品は、失う微細なディテールがほとんどありません。
- ショットが単なるプレースホルダー。編集のタイミング、絵コンテのアニマティクス、編集テストには最終的な忠実度は不要です。
- 多くのバリエーションが必要。10種類の候補の動きを比較するときは、洗練よりも速度が重要です。
次の場合はコストをかける
- 微細なテクスチャがショットの要。布地の質感、髪の毛、植生、水しぶき、密集した背景は、忠実度の差が最初に現れる場所です。
- 文字やロゴが見える。小さなフォントはすぐに劣化します。
- クリップが最終納品物。視聴者向けに公開するものは、より高い忠実度で処理する価値があります。
- プロンプトをすでに固定した。レシピが安定したら、すべてを再実行するのではなく、勝ったプロンプトをより高い設定で再実行します。
実用的なワークフロー
- 5スロットのレシピを書く。
- カメラ、テンポ、音声が正しく振る舞うまで高速ティアで反復する。
- 一度にひとつの変数だけを変える。
- 固定したレシピをより高い忠実度の設定で再実行し、最終版を得る。
重要な規律は、この2つを混ぜないことです。カメラワークがまだ正しくないうちに忠実度を磨いたり、高価な設定で構図を何度もリロールしたりしないでください。
これらのレシピは wan2.6-flash イメージtoビデオモデルのページ で直接試せます。現在のティアの詳細はそこの料金パネルで確認してください。課金とティアの可用性は本ガイドの固定数値ではなく、サイト自身の料金ビューに存在するからです。
ネガティブリスト
ネガティブプロンプトは安価な保険ですが、長いネガティブ語のリストはノイズになります。短い常備リストを保ち、実際に見た失敗だけを追加します。
常備リスト
すべてのレシピはこの締めくくりから始まります。
CONSTRAINTS:ちらつきなし、顔と手の変形なし、直線の
歪みなし、不要なカメラのドリフトなし、文字や透かしのアーティファクトなし。
これは最も一般的な失敗をカバーします。
- ちらつき——明るさやテクスチャがフレームごとに脈動する。
- 変形——顔、手、小さな物体が融合したり溶けたりする。
- エッジの歪み——直線(ドア枠、机の端、製品の輪郭)が曲がる。
- カメラのドリフト——静止を要求したのにカメラがゆっくり動く。
- 文字のアーティファクト——ソース画像のきれいな文字が乱れた文字になる。
証拠に基づいてネガティブ語を追加する
事前に20個のネガティブ語を書かないでください。ある実行が特定の仕方で失敗したら、それを描写する1行だけを追加します。
CONSTRAINTS:ちらつきなし、変形なし、不要なカメラのドリフトなし、
画面に余分な人物が入らない。
最後の行は、前回の実行が通行人を導入したために追加されました。理由をノートに記し(プロンプトではなく)、プロンプトをきれいに保ちます。
欲しいものはポジティブに表現する
ネガティブ語は抑制するだけで、創造しません。「背景をぼかさない」はクリアな背景を生みません。何かを出現させたいなら、最初のフレームのスロットかカメラのスロットでポジティブな指示として述べ、制約スロットは出るべきでないものの抑制に残します。
実際の失敗カテゴリごとに5項目まで
制約の行が法的な免責事項のように読め始めたら、問題を分割してください。カメラスロットで「回転なし、揺れなし」を使ってカメラのドリフトを直し、制約の締めくくりは短く保ちます。ほとんどが禁止事項のプロンプトは、クリップを成立させる本当のカメラワーク指示に残す予算がほとんどありません。
見失わずにレシピを反復する
本ガイドのレシピは出発点であり、完成したプロンプトではありません。それらを信頼できるものにするワークフローは地味ですが効果的です。実行ごとにひとつの変数だけを変え、何が起きたかを記録します。
一度にひとつのスロットだけを変える
クリップが違うなら、衝動的にプロンプト全体を書き直さないでください。最も責任がありそうなスロットを選び、それだけを変えます。
- 動きの方向が違う → カメラスロット。
- 動きが速すぎる、または早く終わる → テンポスロット。
- 被写体のアイデンティティがドリフトする → 最初のフレームのアンカー。
- ランダムな音や人の声 → 音声スロット。
- 繰り返し現れるアーティファクト → 制約の締めくくり。
実行ごとに一箇所だけ変えるということは、帰属できる差異が一箇所だけということです。一度にすべてを書き直すと、次のクリップが良くなっても何も学べません。
実行ログを残す
ショットごとに短い表なしのログで十分です。
shot:product_hero_01
recipe:v3
change:camera「ゆっくりプッシュイン」->「static、動きなし」
result:動きがクリーン。被写体の動作が今は明確に読める
next:比較のために「非常にゆっくりプッシュイン」を試す
3つのフィールド——何を変えたか、何が起きたか、次に何をするか——だけで、プロンプトをチームで再現可能にできます。なぜあるショットがこう見えるのかと誰かが尋ねたら、ログが答えを出します。
勝ったレシピを凍結する
あるレシピが安定したら、編集をやめてください。共有ライブラリにコピーし、短い名前と実行ログを添えます。新しいショットは空のプロンプトからではなく、最も近い凍結済みレシピから始めるべきです。こうしてプロンプト集は使い捨ての文字列の山ではなく、資産になります。
いつ止めるかを知る
反復の見返りは逓減します。3回連続で単一変数の変更が意味のある改善をもたらさなければ、問題は通常プロンプトではなく入力画像にあります。姿勢が曖昧だったり背景が混み合っていたりする最初のフレームは、いつまでも足を引っ張ります。静止画を差し替え、固定したレシピを再実行してください。
ループは単純です。実行し、比較し、一箇所変え、記録する。これを続ければ、ショットを仕上げるごとにレシピの使用が速くなります。出発点が必要なら、wan2.6-flash イメージtoビデオモデルのページ から始め、上記の骨格で5つのスロットを記入してください。